បញ្ហា (The Problem)៖ ឧស្សាហកម្មបសុបក្សីកំពុងប្រឈមមុខនឹងបញ្ហាជាច្រើនដូចជា កង្វះកម្លាំងពលកម្ម ការផ្ទុះឡើងនៃជំងឺ និងបញ្ហាសុខុមាលភាពសត្វ ដែលធ្វើឱ្យប៉ះពាល់ដល់ផលិតភាព និងប្រាក់ចំណេញ ដែលទាមទារឱ្យមានដំណោះស្រាយតាមរយៈបច្ចេកវិទ្យាទំនើប។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះធ្វើការត្រួតពិនិត្យឡើងវិញនូវកម្មវិធីទំនើបៗនៃបញ្ញាសិប្បនិម្មិត (AI) និងមនុស្សយន្ត (Robotics) ក្នុងការធ្វើឱ្យប្រសើរឡើងនូវការគ្រប់គ្រងបសុបក្សីដោយផ្តោតលើសុខភាព និងបរិស្ថាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Computer Vision & Image Processing (SVM, CNN, YOLO) ការវិភាគរូបភាព និង Computer Vision (SVM, CNN, YOLO) |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ក្នុងការស្វែងរកជំងឺទាន់ពេលវេលា (ឧ. ផ្ដាសាយបក្សី) និងតាមដានអាកប្បកិរិយាសត្វដោយមិនប៉ះពាល់ដល់សត្វផ្ទាល់។ | ទាមទារកាមេរ៉ាគុណភាពខ្ពស់ និងកម្លាំងកុំព្យូទ័រធំក្នុងការដំណើរការទិន្នន័យវីដេអូ ឬរូបភាពក្នុងពេលជាក់ស្តែង។ | សម្រេចបានភាពត្រឹមត្រូវរហូតដល់ ៩៩,៤៦% (SVM) ក្នុងការរកឃើញជំងឺផ្ដាសាយបក្សី និងជាង ៩០% សម្រាប់ជំងឺ Marek's។ |
| Sound Analysis & Audio Classification (ResNet-50, GRU) ការវិភាគសំឡេង និងចំណាត់ថ្នាក់សំឡេងសត្វ (ResNet-50, GRU) |
អាចបែងចែកភេទកូនមាន់ និងរកឃើញជំងឺផ្លូវដង្ហើមបានយ៉ាងច្បាស់លាស់តាមរយៈសំឡេងក្អក ឬការបញ្ចេញសំឡេង។ | សំឡេងរំខាននៅក្នុងបរិស្ថានកសិដ្ឋានអាចធ្វើឱ្យប៉ះពាល់ដល់ភាពត្រឹមត្រូវនៃប្រព័ន្ធ និងទាមទារការពង្រោះសំឡេង (Noise filtering)។ | ភាពត្រឹមត្រូវ ៩៨,៤% សម្រាប់រកឃើញជំងឺរលាកទងសួត និង ៩២,៦% សម្រាប់ជំងឺ Newcastle។ |
| Agricultural Robotics & IoT Sensors មនុស្សយន្តកសិកម្ម និងឧបករណ៍ចាប់សញ្ញា IoT |
ជួយកាត់បន្ថយកម្លាំងពលកម្ម គ្រប់គ្រងបរិស្ថានកសិដ្ឋានដោយស្វ័យប្រវត្តិ និងធានាសុវត្ថិភាពជីវសាស្ត្រកាត់បន្ថយការចម្លងជំងឺ។ | ទាមទារការចំណាយដើមទុនដំបូងខ្ពស់ខ្លាំង និងត្រូវការអ្នកជំនាញបច្ចេកទេសដើម្បីថែទាំប្រព័ន្ធជាប្រចាំ។ | កាត់បន្ថយការចំណាយប្រតិបត្តិការបាន ២៥% និងមានភាពត្រឹមត្រូវ ៩៥,៦% ក្នុងការកំណត់មាន់ឈឺ ឬងាប់ដោយប្រើសេនស័រ (Sensors)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការដាក់ពង្រាយប្រព័ន្ធ AI នៅក្នុងកសិដ្ឋានបសុបក្សីទាមទារការវិនិយោគទុនខ្ពស់លើហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា និងធនធានកុំព្យូទ័រ។
ឯកសារនេះគឺជាការពិនិត្យឡើងវិញ (Review Paper) ដែលប្រើប្រាស់ទិន្នន័យពីកសិដ្ឋានទំនើបៗ និងប្រភេទពូជមាន់នៅបរទេស។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះអាចមានគម្លាត ដោយសារអាកាសធាតុ ពូជមាន់ក្នុងស្រុក និងហេដ្ឋារចនាសម្ព័ន្ធកសិដ្ឋាននៅមានកម្រិត ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែម។
ការប្រើប្រាស់បច្ចេកវិទ្យា AI នេះមានសក្តានុពលខ្ពស់សម្រាប់កសិដ្ឋានចិញ្ចឹមសត្វខ្នាតធំ និងមធ្យមនៅកម្ពុជា ដើម្បីបង្កើនផលិតភាព។
ទោះបីជាការចំណាយដំបូងមានកម្រិតខ្ពស់ ប៉ុន្តែការចាប់ផ្តើមពីប្រព័ន្ធ IoT សាមញ្ញសម្រាប់ការត្រួតពិនិត្យបរិស្ថាន គឺជាជំហានដំបូងដ៏រឹងមាំឆ្ពោះទៅរកកសិកម្មវៃឆ្លាត (Smart Agriculture) នៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Infrared thermal imaging (IRTI) | បច្ចេកវិទ្យាប្រើកាមេរ៉ាពិសេសដើម្បីចាប់យកកម្តៅដែលបញ្ចេញពីរាងកាយសត្វ ដែលជួយឱ្យកសិករដឹងពីសីតុណ្ហភាពខ្លួនសត្វ និងអាចរកឃើញសញ្ញានៃជំងឺគ្រុនក្តៅបានលឿនដោយមិនចាំបាច់ប៉ះពាល់សត្វផ្ទាល់។ | ដូចជាទែម៉ូម៉ែត្រវៃឆ្លាតដែលអាចវាស់កម្តៅពីចម្ងាយដោយគ្រាន់តែមើលទៅលើសត្វ។ |
| Convolutional Neural Network (CNN) | ជាប្រភេទក្បួនដោះស្រាយ (Algorithm) នៃ deep learning ដែលពូកែខាងវិភាគ និងចំណាត់ថ្នាក់រូបភាព ឬវីដេអូ ដើម្បីស្វែងរកលក្ខណៈពិសេស ឧទាហរណ៍ការមើលរូបភាពលាមកមាន់ដើម្បីកំណត់ថាមានជំងឺឬអត់។ | ដូចជាភ្នែកនិងខួរក្បាលរបស់កុំព្យូទ័រ ដែលត្រូវបានបង្វឹកឱ្យចេះបែងចែករវាងរូបភាពមាន់ឈឺ និងមាន់ជា។ |
| Support Vector Machine (SVM) | ជាម៉ូដែល machine learning ដែលប្រើសម្រាប់បែងចែកទិន្នន័យជាក្រុមផ្សេងៗគ្នា ដោយស្វែងរកបន្ទាត់បែងចែកដែលល្អបំផុត ដើម្បីចំណាត់ថ្នាក់ទិន្នន័យ ឧទាហរណ៍បែងចែករូបភាពមាន់ឆ្លងមេរោគចេញពីមាន់មានសុខភាពល្អ។ | ដូចជាការគូសបន្ទាត់ព្រំដែនដ៏ល្អបំផុតមួយនៅលើក្រដាស ដើម្បីបំបែកក្រុមវត្ថុពីរប្រភេទឱ្យដាច់ពីគ្នាយ៉ាងច្បាស់លាស់។ |
| YOLOv5 | ជាប្រព័ន្ធបញ្ញាសិប្បនិម្មិត (Object Detection Model) ដែលអាចស្វែងរក រាប់ និងតាមដានវត្ថុ ឬសត្វក្នុងវីដេអូក្នុងល្បឿនលឿនជាក់ស្តែង (Real-time) ទោះបីជាសត្វនោះកំពុងផ្លាស់ទី ឬនៅជាន់គ្នាក៏ដោយ។ | ដូចជាឆ្មាំម្នាក់ដែលអាចមើលមួយភ្លែត រួចចង្អុលបង្ហាញ និងរាប់ចំនួនមាន់ទាំងអស់នៅក្នុងទ្រុងបានយ៉ាងរហ័សនិងត្រឹមត្រូវ។ |
| Internet of Things (IoT) | បណ្តាញឧបករណ៍ចាប់សញ្ញា (Sensors) និងកាមេរ៉ាដែលភ្ជាប់គ្នាទៅវិញទៅមកតាមរយៈអ៊ីនធឺណិត ដើម្បីប្រមូលទិន្នន័យពីបរិស្ថានកសិដ្ឋាន (សីតុណ្ហភាព សំណើម កម្រិតខ្យល់) និងបញ្ជូនទៅកាន់ប្រព័ន្ធកុំព្យូទ័រដោយស្វ័យប្រវត្តិ។ | ដូចជាប្រព័ន្ធសរសៃប្រសាទនៅក្នុងកសិដ្ឋានវៃឆ្លាត ដែលប្រាប់ខួរក្បាលកុំព្យូទ័រថាពេលណាត្រូវបើកកង្ហារ ឬផ្តល់ចំណីសត្វ។ |
| Long short-term memory (LSTM) | ជាបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត ដែលមានសមត្ថភាពចងចាំទិន្នន័យតាមលំដាប់ពេលវេលា (Time-series) ដែលស័ក្តិសមបំផុតសម្រាប់ការវិភាគការផ្លាស់ប្តូរអាកប្បកិរិយារបស់សត្វក្នុងរយៈពេលណាមួយ។ | ដូចជាអ្នកតាមដានម្នាក់ដែលអាចចងចាំសកម្មភាពបន្តបន្ទាប់គ្នារបស់មាន់ដើម្បីទាយថាវាពិតជាកំពុងបង្ហាញអាការៈឈឺមែនឬអត់។ |
| Spectrogram | ជាការបំប្លែងសំឡេងទៅជារូបភាពដែលបង្ហាញពីរលកសំឡេង កម្រិតភាពញឹកញាប់ (Frequency) និងកម្លាំងសំឡេងតាមពេលវេលា ដើម្បីឱ្យ AI អាចយកទៅវិភាគរកជំងឺផ្លូវដង្ហើមតាមរយៈសំឡេងក្អករបស់សត្វ។ | ដូចជាការថតកាំរស្មីអ៊ិច (X-ray) នៃសំឡេងក្អករបស់មាន់ ដើម្បីមើលថាតើមានសញ្ញាខុសប្រក្រតីឬអត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
